CN2 规则归纳(CN2 Rule Induction)

使用 CN2 算法从数据中归纳出规则。

输入

  • 数据：输入数据集
  • 预处理器：预处理方法

输出

  • 学习器：CN2学习算法
  • CN2规则分类器：训练有素的模型

功能

CN2算法是一种分类技术，设计用于即使在可能存在噪声的域中，也可以有效地归纳简单的，易于理解的规则，形式为 “如果…则预测…”。

CN2规则归纳 仅适用于分类

界面

  1. 学习器出现在其他小部件中的名称。 默认名称是 CN2 规则归纳器。
  2. 规则排序：
    • 有序：归纳有序规则（决策列表）。找到规则条件，并在规则头中分配多数类。
    • 无序：归纳无序规则（规则集）。分别学习关于原始学习数据每个类别的规则。
  3. 覆盖算法：
    • 互斥：覆盖学习实例后，下一步不再考虑中。
    • 加权：覆盖学习实例后，减小其权重（乘以 gamma），进而减小其对算法进一步迭代的影响。
  4. 规则搜索：
    • 评估指标：选择一种启发式方法来评估发现的假设：
    • 集束宽度: 记住迄今为止找到的最佳规则，并监视固定数量的替代方案（光束）。
  5. 规则筛选：
    • 最小规则覆盖范围：找到的规则必须至少覆盖所覆盖示例的最小所需数量。无序规则必须涵盖许多目标类示例。
    • 最大规则长度：找到的规则最多可以组合选择器（条件）的最大允许数量。
    • 默认alpha：重要性测试，用于修剪有关类的初始分布的最专门（不太常用）的规则。
    • 父Alpha：进行重要性测试，以针对父类分布修剪出最专门的（较不经常使用的）规则。
  6. 发送报告
  7. 勾选 “自动应用” 以自动传送对其他小部件的更改，并在连接学习数据后立即训练分类器。 或者，在配置后按 “应用”。

示例

我们使用了 zoo 数据集，并将其传递给 CN2规则归纳。 我们可以使用CN2 规则查看器(CN2 Rule Viewer) 小部件查看和解释构建的模型。

第二个工作流程测试评估测试与评分(Test & Score)中的 CN2规则归纳 和树(Tree)。

参考文献

  1. Fürnkranz, Johannes. “Separate-and-Conquer Rule Learning”, Artificial Intelligence Review 13, 3-54, 1999.
  2. Clark, Peter and Tim Niblett. “The CN2 Induction Algorithm”, Machine Learning Journal, 3 (4), 261-283, 1989.
  3. Clark, Peter and Robin Boswell. “Rule Induction with CN2: Some Recent Improvements”, Machine Learning - Proceedings of the 5th European Conference (EWSL-91),151-163, 1991.
  4. Lavrač, Nada et al. “Subgroup Discovery with CN2-SD”,Journal of Machine Learning Research 5, 153-188, 2004

反馈问题

文档有问题? 或者有其他意见和建议? 请在本文档的 Github 仓库直接反馈

点我反馈

进入反馈页面不知道如何反馈, 请点击这里

更新时间: